《人工智能》DS证据理论.ppt

3、Dempster合成规则 Dempster合成规则（Dempster’s combinational rule）也称证据合成公式，其定义如下： 对于?A??，?上的两个mass函数m1, m2的Dempster合成规则为： 其中， K为归一化常数 * PPT课件 对于?A??，识别框架?上的有限个mass函数m1, m2, ..., mn的Dempster合成规则为： 其中， n个mass函数的Dempster合成规则 * PPT课件 m1() m2() m12() Peter 0.99 0.00 0.00 Paul 0.01 0.01 1.00 Mary 0.00 0.99 0.00 4、Dempster合成规则计算举例 例1. “Zadeh悖论” ：某宗“谋杀案” 的三个犯罪嫌疑人组成了识别框架? ={Peter, Paul, Mary} ，目击证人（W1, W2）分别给出下表所示的BPA。 【要求】：计算证人W1和W2提供证据的组合结果。 【解】：首先，计算归一化常数K。 * PPT课件 其次，利用Dempster证据合成规则分别计算Peter, Paul, Mary的组合BPA（即组合mass函数）。 （1）关于Peter的组合mass函数 （2）关于Paul的组合mass函数 * PPT课件 （3）关于Mary的组合mass函数 【说明】：对于这个简单的实例而言，对于Peter, Paul, Mary的组合mass函数，再求信任函数、似然函数，可知： 信任函数值＝似然函数值＝组合后的mass函数值 即， Bel({Peter}) = Pl({Peter}) = m12({Peter}) = 0 Bel({Paul}) = Pl({Paul}) = m12({Paul}) = 1 Bel({Mary}) = Pl({Mary}) = m12({Mary}) = 0 * PPT课件 例2. 若修改“Zadeh悖论” 表中的部分数据，如下表所示。请重新计算证人W1和W2提供证据的组合结果。 【解】：首先，计算归一化常数K。 m1() m2() m12() {Peter} 0.98 0 0.49 {Paul} 0.01 0.01 0.015 {Mary} 0 0.98 0.49 ? ={Peter, Paul, Mary} 0.01 0.01 0.005 * PPT课件 归一化常数K的另一种计算法： * PPT课件 （1）计算关于Peter的组合mass函数 * PPT课件 （2）计算关于Paul的组合mass函数 * PPT课件 （3）计算关于Mary的组合mass函数 * PPT课件 （4）计算关于? ={Peter, Paul, Mary}的组合mass函数 此外，根据信任函数、似然函数的计算公式，可得： 即， Bel({Peter}) = 0.49; Pl({Peter}) = 0.49 + 0.005 = 0.495 Bel({Paul}) = 0.015; Pl({Paul}) = 0.015 + 0.005=0.020 Bel({Mary}) = 0.49; Pl({Mary}) = 0.49 + 0.005 = 0.495 Bel(?) = Pl(?) = 0.49 + 0.015 + 0.49 + 0.005 = 1 * PPT课件 5.3 关于证据理论的理论模型解释 对Dempster-Shafer证据理论的解释共有四种： （1）上、下概率解释（Upper and lower probability interpretation）； （2）广义化Bayes理论（Generalized Bayesian theory）解释； （3）随机集理论（Random sets）模型解释； （4）可传递信度模型（Transferable belief model，简称TBM）解释； 【注】第(1)~(3)这三种解释都以“概率理论”为基础的；而第(4)种，即TBM为“纯粹的”的DS理论模型，它已经完全从任何概率内涵中“提纯”了出来，不依赖于任何概率理论。 * PPT课件 1、上、下概率解释 Dempster在1967年发表的第一篇关于证据理论的论文中给出了上、下概率的概念，用以表示不满足可加性的概率。 2、广义化Bayes理论解释 当mass函数m中的所有焦元都是单点集（即单个假设集），且这些焦元都满足Bayes独立条件时，Dempster